Nous mètodes d’intel·ligència artificial per analitzar la difusió anòmala podrien contribuir a estudiar els mecanismes de propagació de les infeccions

Una taca de tinta surant en l’aigua s’expandeix de manera proporcional al temps que s’hi deixa flotant; és a dir, com més temps hi passa, més gran es fa. L’expansió d’aquesta taca és conseqüència de la trajectòria que tenen les molècules que componen la tinta i que, degut a la interacció amb les molècules d’aigua, segueixen un recorregut aleatori, per tant difícil de preveure amb anterioritat.

En alguns entorns naturals, aquest fenomen és fins i tot més complicat, ja que l’expansió de la taca pot deixar de ser proporcional respecte al temps, és el que s’anomena difusió anòmala. Aquest fenomen presenta notables diferències respecte al moviment brownià que va ser explicat teòricament per Albert Einstein l’any 1906. Desviacions significatives de la llei de l’anomenat moviment brownià s’han descobert en una gran varietat d’éssers i situacions, des de la biologia fins al mercat de valors. A la natura sembla ser més típic el comportament anòmal que el brownià. Per exemple, determinats animals, com ara algunes aus, segueixen una trajectòria de vol compatible amb models de difusió anòmala per aparellar-se quan estan en època de zel o bé quan busquen menjar. De la mateixa manera, algunes proteïnes i virus durant el procés d’infecció segueixen un moviment de difusió anòmala en l’entorn cel·lular. Saber interpretar aquests moviments ajuda a comprendre millor les propietats del procés i del seu entorn i, en el cas de les infeccions, pot ajudar a dissenyar estratègies terapèutiques.

Fins fa poc, les trajectòries aleatòries s’havien estudiat amb mètodes d’estadística clàssica però els darrers anys s’ha començat a fer servir la intel·ligència artificial. L’estudi Objective comparison of methods to decode anomalous diffusion publicat el 29 d’octubre a Nature Communications i portat a terme per un grup d’investigadors liderat per Carlo Manzo, investigador Ramón y Cajal a la Facultat de Ciències i Tecnologia de la Universitat de Vic – Universitat Central de Catalunya (UVic-UCC) i coordinador del grup de recerca Quantitative Biolmaging (QuBi Lab), representa la primera avaluació de mètodes convencionals i d’intel·ligència artificial per quantificar la difusió anòmala a partir de trajectòries individuals d’elements molt diversos, com ara àtoms, molècules d’RNA o proteïnes.

Aquest estudi obre grans possibilitats a la recerca sobre difusió anòmala en molts escenaris. Un d’aquests escenaris, és l’estudi del patró de desplaçaments de les persones, per exemple en relació a la propagació geogràfica de les malalties infeccioses. “Els moviments humans es produeixen en ambients diferents i amb una varietat de mitjans de transport, el que els fa compatibles amb alguns models de difusió anòmala. Seria interessant aplicar aquests mètodes per estudiar trajectòries obtingudes mitjançant el mòbil, relacionar-les amb la difusió de malalties i amb els patrons de contenció”, explica Manzo.

La utilitat d’aquesta investigació radica en el fet que “estudiar la difusió anòmala serveix per poder comprendre millor determinats comportaments, ajuda a fer-ne previsions més encertades i a anticipar-se al que faran o passarà”, explica Carlo Manzo. I això és vàlid tant per al moviment dels animals en si com, en un nivell microscòpic, de les estructures cel·lulars que els conformen. En el cas de les proteïnes, per exemple, l’estudi de les trajectòries permet entendre més bé les interaccions bioquímiques en un entorn cel·lular, ja que la manera com es mouen les proteïnes afecta la probabilitat que es trobin. En un altre escenari ben diferent, a la borsa, les accions tenen fluctuacions de valor segons models de difusió anòmala que es poden utilitzar per a identificar escenaris de risc i fer previsions.

Esforç comunitari mitjançant una competició

El treball ha estat realitzat per un equip internacional de científics encapçalat per Carlo Manzo de la UVic-UCC i integrat, també, per Giovanni Volpe de la Universitat de Göteborg, Gorka Muñoz-Gil i Maciej Lewenstein de l’Institut de Ciències Fotòniques i investigador d’ICREA, Miguel Angel Garcia-March de la Universitat Politècnica de València i Ralf Metzler de la Universitat de Potsdam.

Per dur a terme la recerca, durant tot l’any passat l’equip d’investigadors que l’ha impulsat va posar en marxa una competició oberta a tothom que volgués participar-hi per comparar els mètodes que ja existien i estimular la proposta de nous enfocs. El concurs Anomalous Diffusion (AnDi) Challenge va reunir més de 30 participants de 22 institucions i 11 països. Per a aquesta competició es va crear un conjunt de dades simulades, sense mencionar què representaven. Tots els investigadors participants van haver d’analitzar aquestes dades i proporcionar les seves previsions. “En els últims anys, aquests tipus d’esforços col·lectius han acabat sent bastant comuns en la ciència i ajuden a millorar les tècniques d’anàlisis molt ràpidament”, subratlla Manzo.

Un cop es van analitzar els resultats obtinguts es van veure quins mètodes per quantificar la difusió anòmala funcionaven millor. “Per primera vegada s’ha recollit una biblioteca de mètodes que s’han comparat sistemàticament i que ara tothom pot fer servir per analitzar trajectòries en àmbits molt diferents”, remarca l’investigador principal. Segons Manzo, “qualsevol moviment que es pugui rastrejar es pot arribar a analitzar amb aquestes eines. En general, els mètodes d’intel·ligència artificial (basats en el deep learning) aconsegueixen extreure més informació i aprofitar-la millor, per això funcionen molt millor que els mètodes clàssics amb trajectòries curtes o sorolloses”.

La comunitat científica reunida al voltant del AnDi challenge es trobarà en un congrés organitzat amb el suport de ICFO, Optica, UVic-UCC i la Societat Catalana de Biologia que se celebrarà a Castelldefels a principis de desembre, esdeveniment en el qual s’entregaran els premis als equips guanyadors del AnDi challenge.